როგორ აძლევს V7 AI აგენტებს ორგანიზაციულ მეხსიერებას

დღევანდელ მოდელებს რთულ ამოცანებზე მსჯელობა შეუძლიათ, თუმცა ამ ამოცანების საფუძვლად არსებული ბიზნესკონტექსტი ავტომატურად არ ესმით. ფონდის რომელი ანგარიშია მოქმედი? რა სახელით არის მოხსენიებული ერთი და იგივე ერთეული სამ სხვადასხვა სისტემაში?

ეს კონტექსტი დოკუმენტებში, მონაცემთა ოთახებში, ელცხრილებში, ელფოსტასა და შიდა ხელსაწყოებშია გაფანტული, დაუკავშირებელი და აგენტებისთვის უხილავი. ფინანსების, დაზღვევისა და უძრავი ქონების გუნდებისთვის სამუშაო პროცესებში ინფორმაციის ზუსტი მოძიება აუცილებელი პირობაა.

კომპიუტერული ხედვის ფართოდ გამოყენებული ხელმისაწვდომობის აპის ერთობლივად შექმნის შემდეგ, რიცოლიმ და ედვარდსონმა 2018 წელს დააარსეს V7⁠(იხსნება ახალ ფანჯარაში), რათა კომპანიებს AI სისტემებისთვის საკუთარი ბიზნესის მუშაობის სწავლაში დახმარებოდნენ. V7 Go აგენტებზე დაფუძნებული პლატფორმაა კრიტიკულად მნიშვნელოვანი სამუშაო პროცესების შესაქმნელად და დაფარული კონტექსტის იმგვარ მეხსიერებად მოსაწყობად, რომელშიც აგენტებს მოთხოვნების შესრულება და მიღებული ინფორმაციის საფუძველზე მოქმედება შეუძლიათ.

V7 Go მილიონობით ფაილიდან ინფორმაციის ამოსაღებად GPT‑5.6 Luna-ს იყენებს და მას კონტექსტის გრაფში აწყობს, რომელიც ერთმანეთთან აკავშირებს ერთეულებს, ურთიერთკავშირებსა და წყაროებით გამყარებულ მტკიცებულებებს და უზრუნველყოფს MCP ძიებასა და განმეორებად სამუშაო პროცესებს, რომლებიც შეიძლება ასობით ეტაპს მოიცავდეს. სამუშაო პროცესებში V7 Go GPT‑5.6 Terra-სა და Sol-ს იყენებს მსჯელობისა და ხელსაწყოების გამოსაყენებლად რთულ, მრავალეტაპიან ინსტრუქციებში, რომელთა შესრულებასაც ადამიანებს ათობით საათი სჭირდებათ. V7 ასევე იწყებს GPT‑6 Astra-ს გამოყენებას კონტექსტის გრაფის ყველაზე რთულ მოთხოვნებზე, მათ შორის ათასობით დოკუმენტზე დაფუძნებული ფინანსური ანალიზისთვის.

V7-ის თანახმად, კონტექსტის, მოდელებისა და ხელსაწყოების ერთობლივი მუშაობით აგენტები 50–100-ეტაპიან სამუშაო პროცესებს წუთებში ასრულებენ, 99,9%-იან სიზუსტეს აღწევენ და თითოეული გადაწყვეტილების შემოწმებად კვალს ინარჩუნებენ.

კონტექსტის გრაფი კონკრეტულ პრობლემას წყვეტს. აგენტებს ყოველი მოთხოვნისას კონტექსტის ხელახლა აღმოჩენა უწევთ, რაც ათობით ძიებას, დროისა და ტოკენების ხარჯვას იწვევს და ხშირად ურთიერთკავშირებში დაფარულ მნიშვნელოვან ინფორმაციასაც ტოვებს უყურადღებოდ.

მონაცემების მიღებისას V7 Go უკავშირდება ისეთ საცავებს, როგორიცაა SharePoint და Google Drive, სკანირებით პოულობს ერთეულებს, ურთიერთკავშირებს, ფაქტებს, ატრიბუტებსა და მაჩვენებლებს და ავსებს გრაფს, რომლის გავლაც გრძელი კონტექსტის მიდგომებთან შედარებით დაახლოებით ათჯერ იაფი და სწრაფია.

კონტექსტის გრაფი აგენტებს აძლევს სტრუქტურირებულ, განახლებულ ჩანაწერს, რომელშიც მოთხოვნების პირდაპირ შესრულება შეუძლიათ. ახალი ფაილის მიღებისას V7 Go ამოიცნობს კომპანიებს, ფონდებს, ადამიანებსა თუ ონტოლოგიაში არსებულ ნებისმიერ ერთეულს, შემდეგ თითოეულ ფაქტს ახალ ან არსებულ ჩანაწერს უკავშირებს და ინახავს თავდაპირველ წყაროზე მითითებულ მტკიცებულებას. თუ გრაფი საკმარის ინფორმაციას არ შეიცავს, V7 Go-ს მაინც შეუძლია RAG-ის მეშვეობით საწყის დოკუმენტებში ძიება.

V7-მა ისიც შეამოწმა, რამდენად მნიშვნელოვანია ამ კონტექსტის სტრუქტურა. HERB-ზე — საორიენტაციო ტესტზე, რომელიც საწარმოს სხვადასხვა სისტემაში განაწილებული ინფორმაციის პოვნასა და დაკავშირებას აფასებს — V7-ის მხოლოდ მოძიებაზე დაფუძნებულმა სისტემამ ოფიციალურ საბაზისო მაჩვენებელს 69%-ით აჯობა და უპასუხო მოთხოვნებზე ჰალუცინაციები 38%-ით შეამცირა. V7 Go წყაროებთან დაკავშირებულ ამ კონტექსტს იყენებს, რათა რთული სამუშაო პროცესები თითოეული კომპანიის საკუთარ ინფორმაციას დაეყრდნოს.

V7 Go ამ ორგანიზებულ კონტექსტს იყენებს ისეთ სამუშაო პროცესებში, როგორიცაა კერძო კაპიტალის გარიგებების წინასწარი შეფასება და სადაზღვევო რისკების შეფასება. ქვემოთ მოცემულ დემოში სამუშაო პროცესი ინფორმაციას იღებს გარიგების დოკუმენტიდან, რომელსაც კონფიდენციალური საინფორმაციო მემორანდუმი (CIM) ეწოდება, ამუშავებს ძირითად ფინანსურ მაჩვენებლებს, გარიგების პირობებსა და მენეჯმენტის დეტალებს, მიუთითებს რისკის ველების წყაროებს, რის შემდეგაც V7 Go წინასწარი შეფასების ჩანაწერს ამზადებს.

კონტექსტის გრაფი მოდელს საშუალებას აძლევს, კომპანიის ისტორიასთან იმუშაოს ისე, რომ მისი ყოველ ჯერზე თავიდან შესწავლა არ დასჭირდეს. ხანგრძლივად მომუშავე აგენტებისთვის V7 Go ბოლო მიმოცვლებს მოდელის აქტიურ კონტექსტში ინახავს, ხოლო ძველ მასალას გრაფში ათავსებს, საიდანაც საჭიროებისას მოიძიებს.

ეს საერთო კონტექსტი უკვე აჩქარებს დოკუმენტებით დატვირთულ სამუშაოს V7-ის მომხმარებლებთან:

• აქტივების მმართველებს გარიგებების წინასწარი შეფასება უწინდელზე 21-ჯერ სწრაფად შეუძლიათ, რის შედეგადაც მთელი დღის პროცესი სულ 15 წუთამდე შემცირდა

• ფინანსური მომსახურების გუნდმა შემოწმების დრო 100-ზე მეტი საათიდან 10 საათზე ნაკლებამდე შეამცირა და თითო დავალებაზე ექსპერტების ხარჯებში 12 000 აშშ დოლარი დაზოგა

• მას შემდეგ, რაც აგენტებს ყველა წინა მოთხოვნისა და მოქმედი პოლისის ისტორიული მონაცემები მიაწოდეს, სადაზღვევო გუნდებმა მოთხოვნების დამუშავებისას შეცდომები ხელით მუშაობის საბაზისო მაჩვენებელთან შედარებით 13,5%-ით შეამცირეს

რთული, მრავალეტაპიანი სამუშაო პროცესები დამოკიდებულია იმაზე, რამდენად საიმედოდ ასრულებს მოდელი ვრცელ ინსტრუქციებს, იყენებს ხელსაწყოებს, განმარტავს შედეგებს და გადის ნაბიჯების გრძელ თანმიმდევრობას. საწყის ეტაპზე დაშვებულმა ერთმა შეცდომამაც კი შეიძლება ძვირადღირებული შედეგები და AI სისტემების მიმართ ნდობის დაკარგვა გამოიწვიოს. V7 Go მოდელებს წარმართავს ხანგრძლივ ამოცანებში, რომლებიც მოიცავს დეტერმინისტულ კოდს, დავალების მცირე მოდელებისთვის გადაცემას, ფაილების გენერირების ეტაპებსა და ინტეგრაციებს; ამასთან, ყოველი გაშვების შემოწმებადი კვალიც ინახება.

AI-ის მიერ გენერირებულ სამუშაო პროცესებში V7 Go თითოეულ ნაბიჯს სწრაფ, საშუალო ან ჭკვიან დონეს უსადაგებს. GPT‑5.6 Luna სტრუქტურირებულ ამოღებასა და სხვა დიდი მოცულობის სამუშაოს ასრულებს, ხოლო GPT‑5.6 Terra ან Sol უზრუნველყოფს ჩატს, Go Agent-ის მარშრუტსა და იმ ნაბიჯებს, რომლებსაც მეტი მსჯელობა ან ხელსაწყოების გამოყენება სჭირდება.

V7 ახალ მოდელებს ამოწმებს მუდმივად განახლებადი საორიენტაციო ტესტების ნაკრებით, რომელიც აფასებს ციტირების სიზუსტეს, ასობით ტიპის დოკუმენტიდან ინფორმაციის ამოღების ხარისხს, პასუხების სისწორეს, ინსტრუქციების შესრულებას, დაყოვნებას, ხარჯსა და რეალურ კორპორაციულ სამუშაო პროცესებს. V7-ისთვის ყველაზე მნიშვნელოვან ქცევებში OpenAI მოდელების უმეტესობას სჯობს. გარდა ამისა, OpenAI-მ V7-ის სიმძლავრის გაზრდის მოთხოვნა რამდენიმე საათში დაამტკიცა და შეასრულა, მაშინ როცა V7-ის სხვა მომწოდებლებს ამისთვის კვირები სჭირდებათ.

V7-ის უახლეს სარტყელში ძირითადი სამუშაო პროცესები, რომლებიც რამდენიმე გარე გამოძახებას მოიცავს, ახლა 50%-მდე უფრო სწრაფად სრულდება. V7-მა GPT‑5.6 Luna-ს გამოყენებით ეფექტიანობის კიდევ ერთი ზრდა გაზომა: თითო დოკუმენტის ღირებულება GPT‑5.4 mini-სთან შედარებით 78%-ით შემცირდა. V7-მა დოკუმენტებით დატვირთული V7 Go-ს სამუშაო პროცესებიც ჩატის დასრულების API-დან Responses API-ზე გადაიტანა. ტესტირებისას ამ ცვლილებამ ზოგიერთ, PDF-ებით დატვირთულ სამუშაო პროცესში ტოკენების გამოყენება დაახლოებით 5%-ით შეამცირა და ქეშირების საიმედოობა გააუმჯობესა.

V7-მა GPT‑6 Astra თავის ყველაზე რთულ მოთხოვნებზეც გამოსცადა. GPT‑5.6 Sol-მა V7-ის ბევრ არსებულ საორიენტაციო ტესტში თითქმის მაქსიმალურ შედეგს მიაღწია, ამიტომ კომპანიამ გრაფზე მოთხოვნების უფრო რთული კითხვების ნაკრები შექმნა, ათასობით დოკუმენტში არსებული მოუწესრიგებელი, რეალური მონაცემების გამოყენებით. ტესტის მონაცემთა ნაკრები სირთულის ოთხ დონეს მოიცავს. V7-ის ცნობით, ურთულეს დონეზე GPT‑5.6 Sol-მა 78%-იანი, ხოლო GPT‑6 Astra-მ 89%-იანი სიზუსტე აჩვენა. მარტივ, საშუალო და რთულ დონეებზე ორივე მოდელის შედეგი 100%-თან ახლოს იყო.

V7 Go უკვე უზრუნველყოფს კონტექსტის გრაფში მოთხოვნების შესრულებასა და მონაცემების მიღებას საკუთარი MCP სერვერის მეშვეობით, ამიტომ მომხმარებლებს მისი გამოყენება ChatGPT‑დან და სხვა თავსებადი კლიენტებიდან შეუძლიათ. მათ ასევე შეუძლიათ MCP-ის მეშვეობით Codex-ში V7 Go-ს სამუშაო პროცესების შექმნა. სამუშაო პროცესის გამარტივებულ დიზაინთან ერთად, ამან საშუალო სიგრძის სამუშაო პროცესის შექმნის დრო დაახლოებით ერთი საათიდან 20 წუთამდე შეამცირა.

V7-ის გრძელვადიანი მიზანია, ეს საერთო მეხსიერება უფრო პროაქტიური გახადოს. გუნდი მუშაობს სამუშაო პროცესებზე, რომლებიც კონტექსტის გრაფში ფაქტების შეცვლისას დაიწყება, შეუსაბამობებზე მიუთითებს და ადამიანებს აჩვენებს, რომელი ანალიზია ხელახლა შესამოწმებელი. მაგალითად, ფონდის განახლებულმა ანგარიშმა შეიძლება V7 Go-ს მიანიშნოს, რომ მონიშნოს სამუშაო, რომელიც კვლავ ძველ მონაცემებს ეყრდნობა.

„ჩვენი მიზანია, საწარმოებს AI-ის ეპოქისთვის გარდაქმნაში დავეხმაროთ — კრიტიკულად მნიშვნელოვანი ამოცანების გადამჭრელი სამუშაო პროცესებითა და მეხსიერებით, რომელიც ადამიანურ მეხსიერებას აღემატება“, — ამბობს რიცოლი. „ფინანსური კომპანიებიდან AI-ისგან რეალურ სარგებელს ის მიიღებს, ვისაც ყველაზე მეტი აგენტი კი არა, არამედ საუკეთესო კონტექსტი ექნება.“